这是我参与「第四届青训营 」笔记创作活动的第3天
一般来说，批计算被认为是所谓的“T+1”架构，意思是依靠定时任务，完整处理之前的数据，一般是以天为单位。基于这个思路，可以进一步的压缩数据处理的间隔比如半天、甚至到小时。也可以更大胆的假设到分钟级别的，这差不多就是曾经的 spark steaming 的精准度。 更进一步的就是所谓的实时计算了。 实时计算依赖所谓的window 算子，典型有三种：滚动窗口，滑动窗口，会话窗口。Flink在SQL层、DataStream层都有提供。
- 滚动窗口
纯粹将数据切成不同的分段，每段独立计算。一个可能的例子是每5秒进行前5秒的计算任务。
- 滑动窗口
滑动窗口的特点在于尽管同样分段，但是不一定要每段同时计算。这个的经典例子是每过10秒计算前40秒的数据结果。注意到这里和滚动窗口的相似之处，可以发现二者从某种意义上来说是有共同点的，比如以短间隔为一段计算并保留以实现计算结果的复用，这个手段也被称作pane优化。
- 会话窗口
类似于ssh连接的session，并不严格要求所谓的时间间隔。比如当两次数据之间的间隔够远，我们认为应该分为不同的两批数据计算，这就是所谓的会话窗口。ssh中会话之间的临时环境变量之类的便是如此。 由于现在对于数据的敏感性，很多时候实时计算并不是使用数据到达的时间，而是在数据产生时记录时间戳，计算服务依据时间戳进行计算。这容易出现一个问题，就是时间戳在前的数据却稍后才到。一般来说这种情况比较少见，所谓可以直接采取丢弃的方式。当然也有不丢弃的处理方式，不过需要一些配置。
